Some Examples of Privacy-preserving Publication and Sharing of COVID-19 Pandemic Data
COVID-19疫情期间收集了大量不同类型的数据,对这些数据的分析和解读对于遏制疾病的传播是不可或缺的。随着疫情发展成为地方性流行,疫情期间收集的数据将继续成为进一步研究和了解疫情对我们社会各方面影响的丰富来源。另一方面,天真的信息发布和共享可能与严重的隐私问题有关。在本研究中,我们使用流行期间收集的三种常见但不同的数据类型(病例监测表格数据、病例位置数据和接触者追踪网络)来说明以隐私保护方式发布和共享粒度信息和个人层面的流行病数据。我们利用并构建了差分隐私的概念,为每种数据类型生成和发布隐私保护数据。我们调查的推理效用的隐私保护信息,通过模拟研究,在不同层次的隐私保证,并在现实生活中的数据证明的方法。研究中采用的所有方法都很容易应用。我们的研究提供了统计证据,说明在隐私保障的情况下共享大流行数据的实际可行性,以及如何在这一过程中平衡所发布信息的统计效用。
2022-09-13 cs.CR cs.CY
Data Security and Privacy Protection Data Security and Privacy Protection in Public Cloud
本文讨论了公共云计算中数据安全和隐私方面的挑战以及现有解决方案的优缺点。与云计算一样,海量数据将被存储。存储在公共云中的数据将面临外部攻击和内部攻击,因为公共云提供商本身是不可信的。传统的加密可以用于存储,但云中的大多数数据需要进一步计算。先解密后计算会给数据运算带来很大的开销和不便。因此,有效的方法来保护数据的安全性以及在云中的大量数据的隐私是必要的。本文讨论了公有云环境下数据安全和隐私保护的不同机制。提出了一种支持数据安全和隐私的多云架构。
2018-12-14 cs.CR
On Privacy Risks of Public WiFi Captive Portals
开放获取WiFi热点被广泛部署在许多公共场所,包括餐馆、公园、咖啡店、商场、火车、机场、酒店和图书馆。虽然这些热点提供了保持连接的有吸引力的选择,但它们也可以通过在其强制门户和登陆网站中使用跟踪器来跟踪用户活动并与第三方共享用户/设备信息。在本文中,我们提出了一个全面的隐私分析,位于加拿大蒙特利尔的67个独特的公共WiFi热点,并阐明了这些热点的网络跟踪和数据汇集行为。我们的研究揭示了通过使用社交登录(例如,Facebook和Google)和注册表单,以及许多跟踪活动的实例,有时甚至在用户接受热点的隐私和服务条款政策之前。大多数热点在其强制门户网站内使用持久的第三方跟踪Cookie;这些Cookie可用于在用户离开热点后很长一段时间内跟踪用户的浏览行为,例如,最多20年。此外,多个热点与许多第三方跟踪域明确共享(有时通过HTTP)收集的个人和唯一设备信息。
2019-07-03 cs.CR cs.CY
Short Paper: Design and Evaluation of Privacy-preserved Supply Chain System based on Public Blockchain
确保供应链中产品的可追溯性是一个紧迫的问题。最近,已经提出了使用公共区块链(PBC)的供应链系统。在这些系统中,PBC被用作供应链各方之间共享的公共数据库,以确保所有权转移记录等分销信息的完整性和可靠性。因此,这些系统确保了供应链中的高水平可追溯性。然而,由于记录在PBC中的信息可以被任何人读取,所以可以是私有信息的分发信息是公开的。在本文中,我们提出了一种方法,保护隐私,同时确保可追溯性的供应链系统使用PBC。该方法通过加密隐藏分发信息来保护隐私。此外,所提出的方法确保在合法的供应链各方之间分配,同时通过使用零知识证明来证明其真实性来隐藏其区块链地址。我们在以太坊智能合约上实现了所提出的方法,并根据交易费用评估了成本性能。结果显示,每一方的费用最多为2.6美元。
2020-04-16 cs.CR cs.CY
Protecting Privacy and Transforming COVID-19 Case Surveillance Datasets for Public Use
目的:促进联邦收集数据共享的联邦开放数据计划对于透明度,数据质量,信任以及与公众和州,部落,地方和领土(STLT)合作伙伴的关系非常重要。这些举措通过向更多的研究人员、科学家和政策制定者提供数据,以供分析、协作和在疾病预防控制中心应急人员之外的有价值的使用,来促进对健康状况和疾病的了解。对于新出现的情况(如COVID-19),尤其如此,我们有很多东西要学习,并有不断变化的数据需求。自疫情爆发以来,CDC已经从司法管辖区收集了个人级别的去识别数据,目前有超过800万条记录,每天都在增加。本文介绍了CDC如何从这些收集的数据中设计和生成两个去识别的公共数据集。材料与方法:根据有用性、公众要求和隐私影响纳入数据元素;抑制特定字段值以降低重新识别和暴露机密信息的风险。使用数据管理平台分析工具以及R脚本创建并验证数据集的隐私性和机密性。结果:不受限制的数据可通过Data.CDC.gov向公众提供,而受限制的数据(带有额外字段)可通过GitHub.com上的私有存储库通过数据使用协议提供。实践启示:对可用的公共数据、用于创建这些数据的方法以及用于保护去身份化个人隐私的算法的丰富理解允许改进数据使用。自动化数据生成程序允许更大和更及时地共享数据。
2021-01-13 cs.CR cs.CY
On the Difficulties of Incentivizing Online Privacy through Transparency: A Qualitative Survey of the German Health Insurance Market
今天,在线隐私是监管措施和隐私增强技术的领域。有人建议以外部和公共评估的形式提高透明度,以改善隐私和安全,因为这会暴露出其他隐藏的缺陷。以前的工作已经研究了消费者的隐私态度和行为。然而,人们对组织如何对利用公开“点名羞辱”作为改进激励措施作出反应知之甚少。我们在这方面进行了第一次研究,进行了定性调查,与152个德国健康保险公司。我们用PrivacyScore.org扫描了他们的网站,生成了一个公开的排名,并将结果与保险公司进行了比较。我们获得了27%的回复率。反应从积极反馈到法律威胁不等。在我们的研究中,只有12%的网站-大多数是无应答者-得到改善。我们的研究结果表明,保险公司的斗争,由于不知情,不情愿,和无能,并展示了一般的困难,以保险为基础的方法。
2019-02-22 cs.CR cs.CY
DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization
在实际应用中会出现大量的高维异构数据,这些数据往往会发布给第三方进行数据分析、推荐、定向广告和可靠预测。然而,公布这些数据可能会泄露个人敏感信息,从而导致对隐私侵犯的日益关注。近年来,隐私保护数据发布受到了相当大的关注。不幸的是,高维数据的差分私有发布仍然是一个具有挑战性的问题。在本文中,我们提出了一个差分私有的高维数据发布机制(DP2-Pub),运行在两个阶段:基于马尔可夫毯的属性聚类阶段和不变后随机化(PRAM)阶段。具体而言,将属性划分为具有高簇内凝聚力和低簇间耦合的低维簇有助于获得隐私预算的合理分配,而满足局部差分隐私的双扰动机制有助于保持不变的PRAM,以确保不丢失统计信息,从而显着保留数据效用。我们还扩展了我们的DP2-Pub机制的情况下,与一个半诚实的服务器,满足本地差分隐私。我们在四个真实数据集上进行了大量的实验,实验结果表明,该机制在满足差分隐私的同时,能够显著提高已发布数据的数据效用.
2022-08-24 cs.CR cs.CY
Publicly auditable privacy-preserving electoral rolls
针对公开选民名册导致选民画像与操纵的问题,本文提出可公开审计且保护隐私的选民名册协议,支持选民核验与统计审计,并防范选票填塞及拒绝投票。
2024-06-02 cs.CR cs.CY
Privacy Friendly E-Ticketing For Public Transport
本文研究了如何在实践中实现一种隐私友好的公共交通票务形式。所描述的协议受到世界各地使用的当前(侵犯隐私)公共交通票务系统的启发。第一个协议模拟基于纸张的票据。第二个协议实现了一种现收现付的方法,在用户办理登机手续和退房手续时确定票价。这两种协议都假设使用智能手机作为主要用户设备来存储机票或旅行信用。我们认为这项研究是朝着研究如何在实践中以隐私友好的方式设计常用基础设施迈出的一步,特别关注如何处理故障。
2021-01-22 cs.CR
LoPub: High-Dimensional Crowdsourced Data Publication with Local Differential Privacy
从大量用户收集的高维众包数据为我们的社会提供了丰富的知识。然而,它也给参与者带来了前所未有的隐私威胁。局部隐私是差分隐私的一种变体,被提出作为消除隐私问题的一种手段。不幸的是,在高维众包数据上实现本地隐私对效率和有效性都提出了巨大的挑战。在这里,基于EM和Lasso回归,我们提出了有效的多维联合分布估计算法与局部隐私。然后,我们开发了一个局部隐私保护的高维数据发布算法,LoPub,利用我们的分布估计技术。特别地,可以识别多个属性之间的相关性和联合分布以降低众包数据的维度,从而实现本地私有高维数据发布的效率和效果。在真实数据集上的大量实验证明了我们的多变量分布估计方案的有效性,并证实了我们的LoPub方案在生成具有局部隐私的近似数据集方面的有效性。
2017-08-20 cs.CR
CoVista: A Unified View on Privacy Sensitive Mobile Contact Tracing Effort
世界各国政府对科技巨头主宰公共卫生政策越来越感到沮丧。苹果和谷歌开发的软件使个人能够通过整理的暴露通知来跟踪自己的潜在暴露。然而,同一软件禁止位置跟踪,拒绝提供公共卫生官员进行强有力的合同跟踪所需的关键信息。这些信息是治疗和隔离COVID-19阳性人群、识别传播热点和防止感染持续传播所必需的。在本文中,我们提出了两个简单的想法:灯塔和covid-commons,它们满足了公共卫生当局的需求,同时保留了苹果和谷歌暴露通知协议的隐私敏感目标。
2020-05-27 cs.CR cs.CY
Audit-or-Cast: Enforcing Honest Elections with Privacy-Preserving Public Verification
IIIT Hyderabad(印度信息科学与技术学院海得拉巴分校)
ACE协议在保障公共审计性的同时提供强隐私保护,通过公开验证的计数隐藏聚合机制和审计或投递挑战,在无可信客户端假设下实现端到端可验证性、公开计数隐藏结果和强收据自由性。
2026-04-21 cs.CR
A Public Comment on NCCoE's White Paper on Privacy-Enhancing Identity Brokers
美国国家网络安全卓越中心(NCCoE)于2015年10月19日发布了一份关于“隐私增强身份代理”的白皮书。“我们在此对他们征求公众意见的要求作出答复。我们列举的问题,我们认为最重要的是设计一个隐私增强身份中介解决方案,识别和身份验证的公民到无数的在线服务,我们建议如何将它们纳入修订后的白皮书。我们的观察主要集中在隐私,安全性,可验证性和取证方面,主要基于最近发表的关于两个国家级代理身份识别系统的研究论文(PETS 2015)。
2016-11-09 cs.CR
Aim High, Stay Private: Differentially Private Synthetic Data Enables Public Release of Behavioral Health Information with High Utility
University of Vermont(佛蒙特大学)
本文利用差分隐私技术生成合成数据,在保障隐私的同时,使行为健康信息的公开发布保持高实用性,通过评估不同隐私预算下的数据集,确定隐私与实用性的平衡点。
2025-06-30 cs.CR cs.CY
"Privacy is the Boring Bit": User Perceptions and Behaviour in the Internet-of-Things
在民意调查中,公众经常声称重视他们的隐私。然而,个人似乎常常忽视这一原则,从而造成了被称为“隐私权平等”的不平等。物联网(IoT)的发展经常被认为会使隐私处于危险之中。然而,Parabel在物联网中仍然没有得到充分的探索。为了解决这个问题,我们首先进行了一项在线调查(N = 170),以比较公众对物联网和不太新颖的设备的看法。虽然我们发现用户意识到隐私风险,但许多人仍然决定购买智能设备。由于物联网的可用性/熟悉度较低,我们认为它限制了保护行为。为了探索这一假设,我们进行了语境化的采访(N = 40)与公众。在这些对话中,所有者通过个人设备讨论他们的意见和行动。我们发现,Paradox在物联网中更为普遍,通常是由于缺乏意识。最后,我们强调了用户的定性评论,并为他们的问题提出了切实可行的解决方案。据我们所知,这是第一次在广泛的技术范围内评估隐私保护协议。
2018-07-16 cs.CR cs.CY
Please Forget Where I Was Last Summer: The Privacy Risks of Public Location (Meta)Data
位置数据的暴露对用户构成了重大的隐私风险,因为它可能导致去匿名化、敏感信息的推断,甚至是物理威胁。在本文中,我们提出了LPAditor,一个工具,进行全面评估的隐私损失所造成的公开可用的位置元数据。首先,我们展示了我们的系统如何通过识别用户的实际邮政地址来以前所未有的粒度精确定位用户的关键位置。我们对Twitter数据的实验评估突出了我们的技术的有效性,这些技术在家庭和工作场所中的表现分别超过了18.9%-91.6%和8.7%-21.8%。接下来,我们提出了一个新的探索自动私人信息推断,发现“敏感”的位置,用户访问过(有关健康,宗教和性/夜生活)。我们发现,位置元数据可以提供额外的上下文推文,从而导致暴露的私人信息,可能不符合用户的意图。我们进一步探索了用户操作和信息暴露之间的不匹配,并发现旧版本的官方Twitter应用程序遵循侵犯隐私的政策,即在用户以粗粒度级别进行地理标记的推文元数据中包含精确的GPS坐标(例如,市)。这种暴露的影响进一步加剧了我们的发现,即用户在暴露精确的位置数据方面相当谨慎。当用户可以明确选择发布什么位置数据时,使用GPS坐标的推文减少了94.6%。作为当前为用户提供更多数据控制权的努力的一部分,LPAditor可以被主要服务采用,并作为审计工具提供,通知用户他们通过位置元数据(间接)暴露的敏感信息。
2019-01-03 cs.CR cs.CY
Privacy Requirements and Realities of Digital Public Goods
本研究检验了联合国数字公共产品(DPG)标准的隐私保护有效性,通过系统评估答复及三款常用DPG的案例研究,揭示了现有评估方法的局限性,并提出了加强标准隐私相关内容的初步建议。
2024-09-15 cs.CR cs.CY cs.HC
Privacy is Fungibility: Why Endogenous Tokens Are Not Money
UCL(伦敦大学学院)
本文论证内生代币如加密资产并非货币。通过定义和分类公开无许可账本上的代币,对比私人发行的稳定币及CBDC设计,指出多数公开账本缺乏现金原生要素,稳定币无法胜任,且依赖内生代币的网络会将持有者暴露于相同风险。
2026-05-15 cs.CR cs.CY
SoK: Cryptocurrency Mixing and Anonymity - Architectures, Threat Models, Operational Aspects and Security
Brno University of Technology(布尔诺工业大学);University of Zürich(苏黎世大学);Slovak University of Technology in Bratislava(布拉迪斯拉发斯洛伐克工业大学)
本文全面综述了区块链加密货币生态系统中的混币技术与实现,评估其对用户隐私的影响及安全漏洞,并探讨了扩展至智能合约与跨链领域的挑战与创新。
2026-09-28 cs.CR cs.DC
Dynamic Provable Data Possession Protocols with Public Verifiability and Data Privacy
云存储服务已经成为每个人都可以访问和使用的服务。然而,存储的数据依赖于云服务器的行为,经常发生丢失和损坏。一种解决方案是定期审计云服务器,以检查存储数据的完整性。ACISP'15提出的具有公开可验证性和数据隐私的动态可证明数据占有方案是这种解决方案的一个简单设计。然而,该方案受到了几次攻击的威胁。在本文中,我们仔细回顾了该方案的定义,以及解释如何显着威胁其安全性。在ACISP'15方案的基础上,提出了两种新的具有公开可验证性和数据保密性的动态可证明数据占有方案,一种是基于索引哈希表,另一种是基于Merkle哈希树。我们证明了这两个方案是安全的和隐私保护的随机预言模型。
2017-09-26 cs.CR
Towards Privacy-Preserving Anomaly-Based Intrusion Detection in Energy Communities
本文提出一种基于深度自编码器的异常入侵检测系统,用于增强能源社区安全性,并通过联邦学习实现隐私保护的分布式检测。
2025-02-26 cs.CR
Suboptimal Provision of Privacy and Statistical Accuracy When They are Public Goods
凭借庞大的数据库,私营科技公司可以与公共统计机构竞争提供人口统计数据。然而,私营公司在提供高质量统计数据和保护数据使用者的隐私方面面临着不同的激励。当隐私保护和统计准确性都是公共品时,私人提供者往往会提供至少一种次优产品,但不清楚是哪一种。我们模拟了一家在保证差异隐私的情况下发布统计数据的公司。我们证明,在这个框架中,由私人公司提供的数据质量低效率的结果。
2019-06-21 cs.CR cs.DB econ.TH
COVID-19 Contact Tracing and Privacy: A Longitudinal Study of Public Opinion
越来越多地使用技术支持的接触者追踪,即通过通知所有最近接触过感染者来识别潜在感染COVID-19患者的过程。政府、科技公司和研究团体一直在努力发布智能手机应用程序,使用物联网设备,并分发可穿戴技术,以自动跟踪“密切接触者”,并在个人检测呈阳性时识别先前的接触者。然而,公众对基于技术的有效接触者追踪与个人隐私之间的紧张关系进行了大量讨论。为了使这一讨论更有意义,我们提出了为期七个月的在线调查结果,重点关注接触者追踪和隐私,每次调查有100名参与者。我们的第一次调查是在4月1日和3日,在美国病毒的第一个高峰期之前,我们继续每周进行调查,持续10周(直到6月),然后每两周进行一次调查,直到11月,增加主题问题,以反映当前关于接触者追踪和COVID-19的讨论。我们的研究结果呈现了公众意见的多样性,可以为政策制定者、技术人员、研究人员和公共卫生专家提供信息,说明是否以及如何利用技术来减少COVID-19的传播,同时考虑潜在的隐私问题。我们将继续进行纵向测量,并将随着时间的推移更新本报告;对本报告版本的引用应参考报告版本2.0,2020年12月4日。
2020-12-04 cs.CR cs.CY cs.HC
Overview of digital health surveillance system during COVID-19 pandemic: public health issues and misapprehensions
由于没有适当的药物和疫苗来预防COVID-19,许多政府正在使用自动化数字医疗监控系统来预防和控制传播。没有足够的文献解释的关注和隐私问题,因此,我们简要解释了本文的主题。我们专注于数字医疗监控系统的隐私问题和不同的细分市场。应在不同部门开展进一步的研究。本文根据已发表的文章提供了一个概述,这些文章并没有太多地关注隐私问题。人工智能和5G网络结合了先进的数字医疗监控系统;而基于蓝牙的接触追踪系统则具有更少的隐私问题。需要更多的研究来找到合适的数字医疗监测系统,这将是监测,控制和预测COVID-19轨迹的理想选择。
2020-07-27 cs.CR cs.CY
Data Protection for Data Privacy-A South African Problem?
本研究针对南非的数据隐私相关数据保护问题,提出通过提升数据保护意识增强组织数据安全与隐私的综合框架,并采用定量调查法评估公共组织员工的相关意识水平。
2023-06-16 cs.CR cs.CY
Private reputation retrieval in public - a privacy-aware announcement scheme for VANETs
公告方案是一种便于车辆在车辆自组织网络(VANESTs)中广播与道路相关的信息以提高道路安全和效率的系统。在Boneh-Boyen-Shacham短群签名方案的基础上,提出了一种新的公开更新信誉值的密码原语.这允许在没有安全信道的情况下进行私人信誉分数检索。利用这一点,我们设计了一个隐私意识的公告计划,使用信誉系统,这是可靠的,可审计的和强大的。
2016-05-18 cs.CR
Privacy-Preserving Data Linkage Across Private and Public Datasets for Collaborative Agriculture Research
Case Western Reserve University(凯斯西储大学);Georgia Institute of Technology(佐治亚理工学院);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文提出隐私保护框架,在保护农场数据的同时联动私有农业数据与公共政策数据,并基于真实 Farmer's Market 数据验证其可支持定价与粮食不安全分析。
2024-09-09 cs.CR cs.CY cs.LG
Privacy-Aware, Public-Aligned: Embedding Risk Detection and Public Values into Scalable Clinical Text De-Identification for Trusted Research Environments
本文基于苏格兰NHS多文档类型研究,揭示临床自由文本隐私风险的情境依赖与累积特性,并通过公众参与设计隐私风险管理工具原型,提出结合规则精度与语境理解的混合去标识化方法,以支持可信研究环境中的安全复用。
2025-06-01 cs.CR
Optional Data Disclosure and the Online Privacy Paradox: A UK Perspective
民意调查显示,公众重视他们的隐私,大多数人呼吁对他们的数据进行更大的控制。然而,个人继续使用在线服务,这将使他们的个人信息处于危险之中,包括隐私保护。以前的工作分析了这一现象,通过事后的比较,但没有研究在询问过程中的披露行为。我们对英国城市进行了实地调查,以研究英国公众如何看待隐私以及不同人口群体之间的看法如何不同。通过对可选数据披露的分析,我们实证研究了那些声称重视隐私的人是否会私下使用自己的数据。我们发现,意见和自我报告的行为对披露的影响很小,超过99%的个人不必要地披露私人数据。我们表明,不仅个人行为违背他们的意见,他们披露信息不必要的,即使在描述自己为私人。我们相信,我们的研究结果鼓励进一步分析数据披露,作为研究真正隐私行为的一种手段。
2018-07-16 cs.CR cs.CY
IU-GUARD: Privacy-Preserving Spectrum Coordination for Incumbent Users under Dynamic Spectrum Sharing
Virginia Tech(弗吉尼亚理工大学);University of Kentucky(肯塔基大学)
IU-GUARD 通过可验证凭证和零知识证明实现隐私保护的频谱共享框架,使 incumbent 用户在不暴露身份的情况下安全访问频谱。
2026-02-11 cs.CR
Privacy-preserving Publication of Mobility Data with High Utility
每天通过不同的手段收集越来越多的移动性数据,例如,移动电话运营商。这些数据有时会在应用简单的匿名化技术后发布,这可能会导致严重的隐私威胁。本文提出了一种新的解决方案,其新颖性是双重的。首先,我们介绍了一种算法,该算法旨在隐藏用户在行程中停留的地方(即兴趣点),通过沿其轨迹强制执行恒定的速度。其次,我们利用用户见面的地方来交换他们的轨迹,从而混淆攻击者。
2015-06-30 cs.CR
Sunspot: A Decentralized Framework Enabling Privacy for Authorizable Data Sharing on Transparent Public Blockchains
区块链技术一直在推动数据驱动的分散服务在广泛领域的发展。然而,本着完全透明的精神,许多公共区块链将所有类型的数据公开给公众,例如以太坊。此外,大数据的链上持久化在技术和经济上都非常昂贵。这些问题导致很难在共享相当大的私有数据的同时保留公共区块链的吸引力。虽然链上数据持久化的直接加密可以引入机密性,但密钥共享、访问控制和合法权利证明等新挑战仍然存在。与此同时,跨链协作仍然需要安全有效的协议,尽管IPFS等分散式存储系统带来了相当大的数据持久性的可能性。在本文中,我们提出了Sunspot,这是一个去中心化的框架,用于保护隐私的数据共享,并在透明的公共区块链上进行访问控制,以解决这些问题。我们还展示了Sunspot的实用性和适用性,MyPub是一个基于Sunspot的分布式隐私保护发布平台。此外,我们评估的安全性,隐私性和性能的Sunspot通过理论分析和实验。
2022-05-12 cs.CR cs.SE
Differentially Private Data Publication with Multi-level Data Utility
传统的私有数据发布机制旨在保留尽可能多的数据效用,同时确保对敏感数据的充分隐私保护。这种数据发布方案隐含地假设所有数据分析员和用户具有相同的数据访问权限级别。然而,这并不适用于数据使用者对相同数据的访问级别不同或对数据效用的要求不同的情况。不同授权级别的多层次隐私要求对隐私数据发布提出了新的挑战。传统的PPDP机制只发布一个满足一定隐私保证的扰动和私有数据副本,以提供相对准确的分析结果。如何在隐私保护水平和数据效用之间找到一个好的平衡点是一个很难的问题,更不用说在此基础上实现多层次的数据效用。在本文中,我们解决这个挑战,提出了一个新的框架,数据发布与压缩感知支持多层次的效用隐私权衡,它提供了差分隐私。具体地说,我们诉诸压缩感知(CS)方法投影的$n$维向量表示的用户的数据到一个较低的$m$维空间,然后添加故意设计的噪声,以满足差分隐私。然后,通过加入线性编码噪声,对压缩感知下的测量向量进行选择性混淆,并针对不同授权级别的用户提供不同的数据重构算法。大量的实验结果表明,ML-DPCS产生多层次的数据效用的特定用户在不同的授权级别。
2021-12-13 cs.CR
Multi-user protocols with access control for computational privacy in public clouds
计算隐私是密码系统的一个属性,它确保在不可信的服务器上处理的数据的隐私。全同态加密方案(FHE)承诺提供这样的性质。当代FHE方案适用于具有单个用户和服务器的应用。实际上,许多云应用程序涉及具有不同信任度的多个用户,服务器也不一定知道。我们提出了一个互补的密钥对技术和协议的基础上,任何通用的FHE方案,多用户场景的规模。我们还使用这种技术与FHE一起展示如何实现基于属性的访问控制,而服务器不知道相同的。我们分析了协议及其安全性。我们的协议不对FHE方案本身的工作原理做任何假设。
2014-06-06 cs.CR
Privacy-Preserving Public Release of Datasets for Support Vector Machine Classification
University of Melbourne(墨尔本大学)
我们考虑公开发布用于支持向量机分类的数据集同时不侵犯数据主体的隐私(即,其私人信息存储在数据集中的个人)。为了隐私保护,使用加性噪声系统地混淆数据集。受Cramer-Rao界的启发,Fisher信息矩阵的迹的逆被用作隐私的度量。建立条件以确保从原始数据集提取的分类器和混淆的分类器彼此接近(捕获效用)。最佳的噪声分布是通过最大化的隐私和效用的措施的加权和确定的。证明了最优隐私保护噪声可以实现局部差分隐私。结果推广到更广泛的一类基于优化的监督机器学习算法。在多个数据集上证明了该方法的适用性。
2019-12-29 cs.CR cs.LG stat.ML
Managing your Private and Public Data: Bringing down Inference Attacks against your Privacy
我们提出了一个实用的方法来保护用户的私人数据,当他希望公开发布的数据是与他的私人数据,希望得到一些实用程序。我们的方法依赖于一个通用的统计推断框架,捕获推理攻击下的隐私威胁,给定的效用约束。在这个框架下,根据隐私保护概率映射,数据在发布之前会被扭曲。该映射通过求解凸优化问题来获得,该凸优化问题在失真约束下最小化信息泄漏。我们解决实际遇到的挑战时,将这一理论框架应用于现实世界的数据。一方面,最优隐私保护机制的设计需要知道连接私有数据和要发布的数据的先验分布,这在实践中通常是不可用的。另一方面,当数据采用大尺寸字母表中的值或高维时,优化可能变得难以处理并且面临可扩展性问题。我们的工作有三大贡献。首先,我们提供了一个不匹配的先验的隐私效用权衡的影响的界限。其次,我们展示了如何通过引入量化步长来减少优化的大小,以及如何在量化下生成隐私映射。第三,我们在三个数据集上评估了我们的方法,包括我们收集的一个新数据集,显示了政治信念和电视观看习惯之间的相关性。我们证明,可以实现良好的隐私属性与有限的失真,以便不破坏公开发布的数据,例如建议的原始目的。
2014-08-16 cs.CR
Toward Realistic Privacy Risk in FL-Enabled OT Intrusion Detection Systems
IMT School for Advanced Studies Lucca(卢卡高等研究学院);Parthenope University of Naples(那不勒斯帕尔特诺佩大学)
针对启用联邦学习的运营技术入侵检测系统的隐私风险问题,提出集成FL工作流的ML Plane架构抽象,构建基于FedMIA的隐私审计框架并在智能电网测试床中实例化,以评估现实部署下的隐私风险。
2026-10-14 cs.CR
Secure Data Storage Structure and Privacy-Preserving Mobile Search Scheme for Public Safety Networks
在公共安全(PS)情况下,代理可能需要关键和个人身份信息。因此,不仅需要提供上下文和位置感知信息,而且还应该保护这些信息的隐私。现有的解决方案没有解决PS环境中的这样的问题。本文提出了一个框架,其中匿名的个人信息(PI)是访问授权的公共安全代理人在PS环境下。特别是,我们提出了一个安全的数据存储结构,以及隐私保护的移动搜索框架,适用于公共安全网络(PSN)。因此,同时实现了PI的可用性和隐私性。然而,这样一个框架的设计遇到了很大的挑战,包括可扩展性,数据的可靠性,计算和通信和存储效率等,我们利用安全索引(SI)的方法和修改布隆过滤器(BF)创建一个安全的数据存储结构来存储加密的元数据。因此,我们的建设,使安全和隐私保护的多关键字搜索能力。此外,我们的系统扩展性非常好,保持数据的可用性,施加最小的延迟,并具有负担得起的存储开销。我们提供了广泛的安全分析,仿真研究,并与最先进的解决方案的性能比较,以证明所提出的方法的效率和有效性。据我们所知,这项工作是第一次在私营部门战略框架内解决这些问题。
2016-02-14 cs.CR
Do You Really Need Public Data? Surrogate Public Data for Differential Privacy on Tabular Data
Boston University(波士顿大学);New York University(纽约大学)
针对表格数据缺乏公共数据的问题,提出利用大语言模型从模式规范合成不消耗隐私预算的替代公共数据,用于DP分类器预训练、超参数调优和权衡估计,实验证明其可有效替代传统公共数据。
2025-04-19 cs.CR cs.LG
The Austrian eID Ecosystem in the Public Cloud: How to Obtain Privacy While Preserving Practicality
奥地利电子身份证系统是奥地利电子政务战略的一个主要支柱。eID系统确保公民的唯一身份和安全认证,保护对涉及敏感和个人数据的应用程序的访问。特别是,奥地利eID系统支持三个主要用例:奥地利公民的身份识别和认证、电子表示以及奥地利公共部门应用中的外国公民身份认证。为了支持所有这些用例,几个组件(本地部署在应用程序域中或集中部署)需要相互通信。虽然本地部署在可扩展性方面具有一些优势,但所有相关组件的集中部署仍然是有利的,例如由于较少的维护工作。然而,集中部署很容易导致负载瓶颈,因为理论上整个奥地利人口以及-对于外国公民-整个欧盟人口都可以使用所提供的服务。为了缓解可扩展性的问题,在本文中,我们建议将生态系统的主要组件迁移到公共云。然而,将可信服务转移到公共云中会带来新的障碍,特别是在隐私方面。为了绕过隐私问题,在本文中,我们提出了一种方法,通过应用选定的加密技术(特别是使用代理重新加密和可编辑签名),以保护隐私的方式将完整的奥地利eID生态系统迁移到公共云中。应用这种方法,通过仍然支持所有三个主要的eID系统用例,不会向公共云提供商披露敏感数据。最后,我们讨论我们的方法的基础上选定的标准。
2016-01-14 cs.CR
VPAS: Publicly Verifiable and Privacy-Preserving Aggregate Statistics on Distributed Datasets
针对隐私保护聚合中的输入验证与公开可验证性挑战,提出VPAS协议,结合同态加密、零知识证明和区块链,实现低开销且可验证的分布式数据安全聚合。
2024-03-22 cs.CR
Private Seeds, Public LLMs: Realistic and Privacy-Preserving Synthetic Data Generation
Information Sciences and Technology, The Pennsylvania State University(宾夕法尼亚州立大学信息科学与技术学院)
本文提出RPSG方法,通过隐私种子和差分隐私机制生成高保真且隐私保护的合成数据,实验验证其在隐私与效用平衡上的优势。
2026-07-14 cs.AI cs.CR
A Tight Context-aware Privacy Bound for Histogram Publication
该研究通过点态最大泄漏(PML)分析拉普拉斯机制发布直方图的隐私保证,指出PML相比无上下文的差分隐私更精细,当直方图bin概率远离零时可在固定噪声下提升隐私保护,证明了上下文感知隐私度量的优势。
2025-08-26 cs.CR cs.IT math.IT
Combining Usability and Privacy Protection in Free-Access Public Cloud Storage Servers: Review of the Main Threats and Challenges
21世纪属于计算的世界,特别是由于所谓的云计算。这项技术可以实现无处不在的信息管理,因此人们可以在任何地方和任何时间访问他们的所有数据。在这种情况下,云存储的出现在过去五年中发挥了重要作用。如今,一些免费访问的公共云存储服务使用户可以免费备份其资产并管理和共享它们,这对中小企业(SME)来说是一个低成本的机会。然而,云存储的采用涉及数据外包,因此用户无法保证其数据的处理和保护方式。因此,似乎有必要赋予公共云存储一套手段,以保护用户的机密性和隐私,评估数据完整性,并保证信息资产的适当备份。在本文中,我们讨论了实现这一目标的主要挑战,并强调了最受欢迎的公共云存储服务中已经实现的一组功能。
2016-10-27 cs.CR
Collection, usage and privacy of mobility data in the enterprise and public administrations
本文通过专家访谈调查企业与公共管理部门中移动性数据的收集、使用与隐私实践,分类用途、数据来源和分析任务,揭示现有隐私增强方法不符合差分隐私标准,并为后续实践导向研究提供基础。
2024-07-04 cs.CR
Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health
Mastercard;Harvard University(哈佛大学);OpenDP;Javeriana University(贾维里亚大学);Sloan Foundation(斯隆基金会)
本文通过技术案例研究展示如何利用差分隐私技术生成隐私保护的合成财务交易数据,结合公共卫生和移动性数据,开发六个可重用工具,提升流行病学决策能力。
2026-03-13 cs.AI cs.CR
Knowledge Cross-Distillation for Membership Privacy
National University of Singapore(新加坡国立大学);NEC Corporation(NEC公司)
成员推断攻击(MIA)对机器学习模型的训练数据造成隐私风险。使用MIA,攻击者猜测目标数据是否是训练数据集的成员。针对MIA的最先进的防御措施,即成员隐私(Membership Privacy)的蒸馏,不仅需要保护私人数据,还需要大量未标记的公共数据。然而,在某些隐私敏感的领域,如医疗和金融,公共数据的可用性得不到保证。此外,通过使用生成对抗网络生成公共数据的简单方法显着降低了模型的准确性,正如《自然》的作者所报道的那样。为了克服这个问题,我们提出了一种新的防御MIA,使用知识蒸馏,而不需要公共数据。我们的实验表明,我们的防御的隐私保护和准确性与MIA研究中使用的基准表格数据集,Purchase100和Texas100,我们的防御有一个更好的隐私效用权衡比现有的防御,也不使用公共数据的图像数据集CIFAR10。
2022-02-04 cs.CR cs.LG
Unveiling Client Privacy Leakage from Public Dataset Usage in Federated Distillation
Case Western Reserve University(凯斯西储大学)
本文首次系统分析了公共数据集辅助联邦蒸馏(PDA-FD)的隐私风险,提出标签分布推断攻击和基于LiRA的成员推断攻击,在FedMD、DS-FL和Cronus上验证了其有效性,揭示了现有框架的隐私脆弱性。
2025-06-04 cs.CR cs.LG
Combining Public and Private Data
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校);Google Research NYC(谷歌研究院纽约分部)
差分隐私被广泛采用,以提供可证明的隐私保证在数据分析。我们考虑的问题相结合的公共和私人数据(更一般地说,数据与异构的隐私需求)估计汇总统计。我们引入了一个混合估计的均值优化,以最小化方差。我们认为,我们的机制是更可取的技术,保护个人的隐私,通过子采样数据成比例的用户的隐私需求。同样,我们提出了一个混合中位数估计指数机制的基础上。我们将我们的机制与Jorgensen et al. [2015]中提出的方法进行了比较。我们的实验提供了经验证据,表明我们的机制往往优于基线方法。
2021-10-29 cs.CR cs.LG stat.ML
Privacy-Preserving Compliance on Public Ledgers via Selective Disclosure Authorization Schemes
George Mason University(乔治梅森大学)
针对公共账本透明性与数据最小化原则的矛盾,提出选择性披露授权方案(SDAS),通过零知识证明实现细粒度、可撤销的合规检查,并防范前置交易和证明重用攻击。
2026-06-23 cs.CR
Location Privacy in Conservation
学术期刊日益增长的公共性质,以及目前分享科学研究原始数据的最佳实践,对于了解一个物种及其保护工作具有深远的价值。另一方面,有关濒危物种的公共空间数据可能很容易被野生动物犯罪分子滥用。在本文中,我们将讨论如何地理不可侵犯性,一个正式的概念,基于位置的系统的隐私,可以用来添加噪音,同时允许量化的空间数据,这样的权衡。
2019-07-16 cs.CR
SoK: Chasing Accuracy and Privacy, and Catching Both in Differentially Private Histogram Publication
直方图和合成数据在数据分析中是至关重要的。然而,研究人员已经表明,即使是直方图等聚合数据,不包含明显的敏感属性,也可能导致隐私泄露。为了实现数据分析,需要一个强有力的隐私概念,以避免意外侵犯隐私的风险。这种强烈的隐私概念是差分隐私,这是一种统计隐私概念,使隐私泄露可以量化。关于差分隐私的警告是,虽然它对隐私有很强的保证,但隐私是以准确性为代价的。尽管这种权衡是采用差分隐私的一个核心和重要问题,但在文献中关于提供对权衡的理解以及如何适当地解决它存在差距。通过系统的文献综述(SLR),我们调查的国家的最先进的准确性提高差异隐私算法的直方图和合成数据发布。我们的贡献是双重的:1)我们识别直方图和合成数据的差分隐私领域的贡献中的趋势和联系,以及2)我们通过将不同维度具体化以提高准确性来提供对隐私/准确性权衡挑战的理解。因此,我们将这些想法与彼此和外部工作相关联,并将其定位和可视化,并解构每个算法以分别检查构建块,目的是确定每个技术/方法的准确性改进目标。因此,这种知识的系统化(SoK)提供了对在哪些维度以及如何在不牺牲隐私的情况下追求准确性改进的理解。
2020-09-21 cs.CR cs.DB
CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Columbia University(哥伦比亚大学)
CATS框架通过K-匿名分布约束、条件对抗训练、注意力上下文学习和二分图匹配,生成高质量隐私保护轨迹数据,并在9万条GPS轨迹上验证了其在隐私、时空特征和下游效用上的优势。
2023-09-20 cs.AI cs.CR cs.LG
Real-World Trajectory Sharing with Local Differential Privacy
共享轨迹对于许多现实世界的应用都是有益的,例如通过接触者追踪来管理疾病传播,以及根据人口的旅行模式来定制公共服务。然而,公众对隐私和数据保护的关注限制了这些数据的共享程度。局部差分隐私使得能够进行数据共享,其中用户共享其数据的扰动版本,但是现有机制未能结合用户独立的公共知识(例如,营业地点和营业时间、公共交通时刻表、地理定位的推文)。这种限制使得机制限制性太强,给出不切实际的输出,并最终导致实际效用低。为了解决这些问题,我们提出了一种局部差异私有机制,该机制基于扰动分层结构的重叠$n$ -gram(即,长度为$n$的连续序列)。我们的机制使用一个多维的层次结构,在公开的外部知识的真实世界的地方的利益,以提高现实主义和实用性的扰动,共享的轨迹。重要的是,包括真实世界的公共数据不会对隐私或效率产生负面影响。我们的实验,使用真实世界的数据和一系列的查询,每个与真实世界的应用程序类似物,证明了我们的方法的优越性,在一系列的替代方法。
2021-08-04 cs.CR cs.DB